Microsoft Project Zenith: Windows 11 untuk Pengembangan AI Lokal

Project Zenith adalah upaya Microsoft agar PC Windows baru terasa seperti workstation pengembangan AI lokal sejak pertama kali dinyalakan—bukan PC konsumen yang masih harus disiapkan berjam-jam. Diumumkan pada 4 September 2026, setelah pratinjau di Build 2026, Zenith memadukan standar perangkat keras tinggi dengan Windows 11 yang telah dikonfigurasi untuk kebutuhan pengembang.12

Bukan Windows edisi baru

Zenith bukan varian atau edisi Windows yang berdiri sendiri. Ini adalah paket konfigurasi dan perangkat lunak pada PC baru yang memenuhi syarat, tetap menggunakan SKU Windows 11 Home atau Pro tetapi dengan pengaturan serta perangkat pengembang yang sudah diterapkan sejak awal.34

Gagasan utamanya sederhana: begitu PC dibuka, pengembang semestinya sudah dapat memakai terminal, editor kode, lingkungan Linux, runtime bahasa pemrograman, dan alat paket tanpa menjalani ritual konfigurasi hari pertama.19

Microsoft menyatakan perangkat Zenith dapat menjalankan model dengan lebih dari 30 miliar parameter secara lokal dan “tanpa meteran”. Maksudnya, inferensi dapat berlangsung di PC tanpa konsumsi token model cloud. Namun, ini bukan jaminan bahwa semua model akan berjalan cepat, muat pada setiap panjang konteks, atau bebas kebutuhan listrik, penyimpanan, dan konfigurasi tambahan.1

Mengapa wajib 64 GB memori terpadu?

PC kelas Zenith harus memiliki setidaknya 64 GB memori terpadu dan bandwidth memori 250 GB/detik atau lebih.1

Dua spesifikasi itu menyasar hambatan utama saat menjalankan model bahasa besar (LLM) secara lokal:

• Kapasitas memori: bobot model harus masuk ke memori yang tersedia, bersama kebutuhan runtime dan konteks. Dalam arsitektur memori terpadu, CPU dan GPU terintegrasi berbagi kumpulan memori besar, alih-alih semata-mata bergantung pada VRAM khusus yang biasanya lebih kecil pada PC umum.
• Bandwidth memori: selama menghasilkan respons, model berulang kali membaca bobot dari memori. Bandwidth yang lebih tinggi membantu mencegah model yang secara teknis muat di memori menjadi terlalu lambat untuk dipakai.

Angka tersebut adalah batas bawah platform, bukan jaminan kinerja. Kecepatan inferensi tetap bergantung pada arsitektur model, kuantisasi, panjang konteks, mesin inferensi, dukungan driver, dan sisa memori yang dipakai Windows maupun aplikasi lain.

Perangkat yang sudah tersedia dari awal

Zenith memasang dan menyiapkan berbagai alat yang lazim dipakai pengembang. Visual Studio Code dan Windows Terminal menjadi bagian penting dari pengalaman awalnya, bersama tumpukan alat pengembangan, terminal, dan runtime yang lebih luas.192135

Di antaranya:

• Visual Studio Code serta perangkat GitHub Copilot
• Windows Terminal, PowerShell, Git, GitHub CLI, dan Azure CLI
• Windows Subsystem for Linux (WSL)
• Python dengan uv, Node.js dengan nvm, serta perangkat manajemen paket terkait
• PowerToys, WinGet/perangkat paket Windows, dan Windows Dev Skills2135

Pengaturan Windows juga disesuaikan untuk aktivitas coding. Contohnya, File Explorer dapat langsung menampilkan ekstensi file, file tersembunyi, dan path lengkap pada bilah judul—perubahan kecil, tetapi mengurangi pekerjaan pengaturan berulang.9

Ryzen AI Halo menjadi platform pertama

Project Zenith pertama kali hadir pada sistem AMD Ryzen AI Halo; perangkat dari OEM dan mitra silikon lain disebut akan menyusul.1

Ryzen AI Halo cocok dengan profil tersebut karena AMD menawarkan hingga 128 GB memori terpadu LPDDR5X dan memposisikannya untuk beban kerja AI lokal, termasuk dukungan untuk model hingga 200 miliar parameter.2728 Salah satu konfigurasi 128 GB yang diuji memiliki bandwidth memori 256 GB/detik, sehingga melampaui ambang Zenith dari Microsoft.18

Meski demikian, 128 GB bukan jawaban universal untuk setiap model yang sangat besar. Klaim AMD tentang dukungan model hingga 300 miliar parameter terkait dengan konfigurasi platform Ryzen AI Halo yang menawarkan memori terpadu hingga 192 GB.19 Ukuran parameter saja tidak cukup untuk menilai kelayakan penggunaan: format kompresi, jendela konteks, overhead runtime, dan target token per detik juga menentukan.

Arah yang lebih ramah bagi pengembang

Microsoft tidak secara eksplisit menyebut Zenith sebagai upaya merebut pengembang dari macOS atau Linux. Namun, arah produknya terlihat: mengurangi hambatan saat memakai Windows untuk perangkat Unix-like, eksperimen AI lokal, dan penyiapan mesin pengembangan.

WSL menyediakan lingkungan Linux berdampingan dengan alat Windows native. Sementara itu, VS Code, layanan GitHub, dan alat baris perintah Azure membuat ekosistem pengembang Microsoft tersedia sejak sesi pertama.2135 Zenith bukan pengganti Linux, tetapi menjadi upaya yang lebih terarah agar Windows layak dipilih sebagai titik awal untuk pengembangan AI dan sistem.

Hal yang perlu diperiksa sebelum membeli

Spesifikasi utama Zenith penting, tetapi bukan satu-satunya pertimbangan. Sebelum memilih perangkat, pengembang sebaiknya memeriksa:

1. Kapasitas memori terpadu yang benar-benar tersedia. Memori lebih besar memberi ruang untuk bobot model, konteks panjang, runtime, dan aplikasi lain.
2. Kinerja inferensi yang terukur. Model yang muat di memori belum tentu menghasilkan respons pada kecepatan yang nyaman.
3. Dukungan framework dan driver. Stack inferensi serta format model yang digunakan harus berjalan baik pada GPU dan konfigurasi sistem operasi perangkat tersebut.
4. Harga dan keterbatasan peningkatan komponen. Memori terpadu pada sistem ringkas umumnya tidak dapat ditingkatkan pengguna, sehingga kapasitas yang dipilih sejak awal sangat menentukan.

Nilai utama Project Zenith terletak pada kemasannya: Microsoft menetapkan kelas perangkat keras lalu memasangkannya dengan lingkungan pengembangan Windows yang sudah siap. Daya tariknya untuk AI lokal pada akhirnya akan ditentukan oleh performa nyata, kompatibilitas, dan harga PC Zenith yang sampai ke tangan pengembang.14